Djupstudier och syntetisk intelligens (AI) är snabbt utvecklande områden där nya tillämpade vetenskaper ständigt växer fram. 5 av de förmodligen mest lovande nya utvecklingarna på detta område är Federated Studying, GANs, XAI, Reinforcement Studying och Switch Studying.
Dessa tillämpade vetenskaper har potential att revolutionera olika maskinstudiefunktioner, från bildigenkänning till spel, och ge spännande nya alternativ för både forskare och byggare.
Federated Study
Federated Studying är en maskinstudiemetod som tillåter ett antal prylar att samarbeta på en enda skyltdocka utan att dela sina kunskaper med en central server. Den här metoden är särskilt användbar under förhållanden där privathet är en fråga.
Till exempel har Google använt federerade studier för att förbättra noggrannheten på dess textigenkänningstangentbord utan att äventyra personligheten. Maskinstudiemoden utvecklas vanligtvis med hjälp av centraliserade kunskapskällor, vilket kräver att personkunskaper delas med en central server. Även om kunderna möjligen verkligen skulle känna sig obekväma med att ha sin kunskap samlad och sparad på en enda server, kan denna teknik resultera i privathetspoäng.
Förenade studier löser denna nackdel genom att hindra kunskap från att någonsin skickas till en central server genom att coacha mode om kunskap som fortfarande finns på kundernas prylar. Förutom, eftersom coachingkunskapen fanns kvar på kundernas prylar, fanns det inget måste skicka enorma mängder kunskap till en central server, vilket minskade systemets beräknings- och lagringsbehov.
Associated: Microsoft utökar sitt personliga AI-chip för ChatGPT: Report
Generativa kontroversiella nätverk (GAN)
Genererade motstridiga nätverk är en sorts neural gemenskap som kan användas för att generera ny, verklig kunskap baserad mest på nuvarande kunskap. Till exempel har GAN använts för att skapa riktiga bilder av individer, djur och till och med landskap. GAN:er fungerar genom att sätta två neurala nätverk i opposition till varandra, där en gemenskap producerar låtsaskunskap och den motsatta gemenskapen gör ett försök att upptäcka om informationen är verklig eller inte.
Generative Adversarial Networks, eller GAN:er i korthet, har snabbt vuxit till att bli en expertis nummer ett för att producera konstgjord kunskap som ser riktigt ut. GAN är en sorts neural gemenskapsstruktur som består av två nätverk: en g... https://t.co/moU2Dls8Gk pic.twitter.com/0ZSRkeZe3z
— phill.ai (@phill_ai) 20 april 2023
Förklarlig AI (XAI)
En AI-metod ofta känd som förklarliga AI-mål för att utöka transparensen och förståelsen för maskinstudier. XAI är viktigt eftersom det faktiskt kan garantera att AI-program gör neutrala och ärliga val. Här är ett exempel på hur XAI kan användas:
Tänk på ett tillstånd genom vilket en finansgrupp använder sig av maskinstudiealgoritmer för att förutsäga chansen {att en} bolånesökande kommer att misslyckas med sitt bolån. Med konventionella black-box-algoritmer, skulle finansinstitutet inte uppmärksamma algoritmens beslutsgång och kanske inte kan klargöra det för den bolånesökande.
Ändå kunde algoritmen, med XAI, förtydliga sitt val, vilket gjorde det möjligt för finansinstitutet att bevisa att den mestadels var baserad på billiga problem och aldrig på felaktig eller diskriminerande information. Algoritmen kan till exempel specificera att den beräknar en riskklassificering främst baserat på sökandens kreditvärdighet, intäkter och anställningshistoriska förflutna. Det här stadiet av transparens och förklaring kan också hjälpa till att bygga upp tilltro till AI-program, öka ansvarsskyldigheten och i slutändan resultera i högre beslutsfattande.
förstärkningsstudier
Ett slags maskinstudier som kallas förstärkningsstudier inkluderar att instruera mäklare att studera via kritik och incitament. Många funktioner, tillsammans med robotik, spel och till och med banktjänster, har utnyttjat denna teknik. Till exempel använde DeepMinds AlphaGo den här metoden för att upprepade gånger förbättra sitt spelande och slutligen besegra de allra bästa mänskliga Go-spelarna, vilket visar effektiviteten av förstärkningsstudier i komplicerade beslutsfattande uppgifter.
AI kommer att vara en agent för vår förtrollning. Förmodligen den mest uppmärksammade artikeln jag har sett om ämnet är en undersökning av effektiviteten {av professionella} GO-spelare tidigare än och efter att ha antagit Leela, den öppna leveransmodellen av DeepMinds AlphaGo. Förbättrad deltagareffektivitet. pic.twitter.com/Tk6qxwOftz
— Miles Grimshaw (@milesgrimshaw) Januari 15, 2023
Associerad: 7 överlägsna mänskliga robotar i världen
byta studera
En maskinstudieteknik som kallas switchstudie inkluderar att använda sig av på förhand utbildade sätt för att lösa nya modellproblem. Denna metod är särskilt användbar när lite kunskap är tillgänglig för en helt ny nackdel.
Forskare har till exempel använt växlingsstudier för att anpassa bildigenkänningssätt som utvecklats för en bildsort (t.ex. ansikten) till en annan bildsort - t.ex. B. djur - för att anpassa sig.
Denna metod gör det möjligt att återanvända de upptäckta alternativen, vikterna och fördomarna hos den i förväg utbildade skyltdockan inom den nya aktiviteten, vilket avsevärt kan öka effektiviteten hos skyltdockan och minska mängden kunskap som krävs för coachning.
